Co moşe uzyskać otolaryngolog, stosując sztuczne
Transkrypt
Co moşe uzyskać otolaryngolog, stosując sztuczne
otolaryngologia polska 66 (2012) 241–248 Dostępne online www.sciencedirect.com journal homepage: www.elsevier.com/locate/otpol Praca pogla˛dowa/Review Co może uzyskać otolaryngolog, stosuja˛c sztuczne sieci neuronowe? How can an otolaryngologist benefit from artificial neural networks? Joanna Szaleniec 1,*, Jacek Składzień 1, Ryszard Tadeusiewicz 2, Krzysztof Oleś 1, Marcin Konior 1, Robert Przeklasa 1 1 Klinika Otolaryngologii UJ CM w Krakowie, Poland Kierownik: prof. dr hab. Jacek Składzień 2 Katedra Automatyki AGH, Kraków, Poland Kierownik: prof. zw. dr hab. inż. Ryszard Tadeusiewicz informacje o artykule abstract Historia artykułu: Artificial neural networks are informatic systems that have unique computational capabi- Otrzymano: 24.02.2011 lities. The principle of their functioning is based on the rules of data processing in the brain. Zaakceptowano: 12.12.2011 This article discusses the most important features of the artificial neural networks with Doste˛pne online: 23.06.2012 reference to their applications in otolaryngology. The cited studies concern the fields of rhinology, audiology, phoniatrics, vestibulology, oncology, sleep apnea and salivary gland Słowa kluczowe: sztuczne sieci neuronowe otolaryngologia diseases. The authors also refer to their own experience with predictive neural models sztuczna inteligencja analiza danych medycznych signal interpretation and outcome prediction are presented. Moreover, the article explains analiza przeżycia clinical practice and research. designed in the Department of Otolaryngology of the Jagiellonian University Medical College in Krakow. The applications of artificial neural networks in clinical diagnosis, automated how the artificial neural networks work and how the otolaryngologists can use them in their © 2012 Polish Otorhinolaryngology - Head and Neck Surgery Society. Published by Keywords: Artificial neural networks Otolaryngology Elsevier Urban & Partner Sp. z o.o. All rights reserved. Artificial intelligence Medical data analysis Survival analysis * Adres do korespondencji: Joanna Szaleniec, Katedra i Klinika Otolaryngologi UJ CM, ul. Śniadeckich 2, 31-531 Kraków. Tel.: +48 124247900. Adres email: [email protected] (J. Szaleniec). 0030-6657/$ – see front matter © 2012 Polish Otorhinolaryngology - Head and Neck Surgery Society. Published by Elsevier Urban & Partner Sp. z o.o. All rights reserved. http://dx.doi.org/10.1016/j.otpol.2012.06.015 242 otolaryngologia polska 66 (2012) 241–248 Wste˛p Fascynuja˛ce możliwości ludzkiego umysłu od lat inspirowały informatyków do tworzenia narze˛dzi obliczeniowych, moga˛cych przynajmniej w pewnych aspektach naśladować inteligentne zachowania człowieka. Da˛żenia te w latach 50. ubiegłego wieku dały pocza˛tek badaniom dotycza˛cym tak zwanej sztucznej inteligencji, zdefiniowanej przez jednego z jej pionierów Johna McCarthy’ego jako ,,konstruowanie maszyn, o których działaniu dałoby sie˛ powiedzieć, że sa˛ podobne do ludzkich przejawów inteligencji’’ [1]. Próby odwzorowania przez maszyne˛ struktury i zasad działania mózgu doprowadziły do stworzenia tzw. sztucznych sieci neuronowych (artificial neural networks) (Ryc. 1). Sa˛ to systemy informatyczne o unikatowych możliwościach obliczeniowych, ciesza˛ce sie˛ wcia˛ż rosna˛cym zainteresowaniem i (jak sie˛ zdaje) maja˛ce tyluż żarliwych zwolenników, co zagorzałych przeciwników. Historia zastosowań sieci neuronowych obfituje bowiem w spektakularne sukcesy, ale obok nich nie brakuje bolesnych rozczarowań i porażek. W prezentowanym artykule omówione zostana˛ podstawowe właściwości i zasady tworzenia modeli neuronowych, przy czym treści te prezentowane be˛da˛ głównie w oparciu o prace badawcze dotycza˛ce ich zastosowań w otolaryngologii. Wyboru prezentowanych zagadnień dokonano w taki sposób, aby zasygnalizować możliwie szeroki zakres ich aplikacji w różnych dziedzinach otolaryngologii. Cytowane prace dotycza˛ rynologii [2], audiologii [3–12], foniatrii [13–16], westybulologii [17], onkologii [18–22], diagnostyki i terapii zespołu bezdechu sennego [23–25] oraz schorzeń gruczołów ślinowych [26]. Odwołano sie˛ przy tym również do doświadczeń Kliniki Otolaryngologii UJ CM w Krakowie w zakresie budowania predykcyjnych modeli neuronowych [12]. Artykuł nie ma [(Ryc._1)TD$FIG] Ryc. 1 – Biologiczna inspiracja sztucznych sieci neuronowych Fig. 1 – Biological inspiration of artificial neural networks stanowić wyczerpuja˛cego przegla˛du piśmiennictwa dotycza˛cego wykorzystania sztucznych sieci neuronowych w laryngologii, gdyż literatura przedmiotu jest obecnie niezwykle szeroka i jej szczegółowe omówienie przekraczałoby znacza˛co ramy niniejszej publikacji. Zamiast tego niniejszy artykuł powinien dać Czytelnikom ogólny ogla˛d przedstawianej tu problematyki, pokazuja˛cy, jak formułowane sa˛ zadania, które naste˛pnie rozwia˛zywane sa˛ przy użyciu sieci neuronowych, w jaki sposób stosuje sie˛ te sieci, korzystaja˛c w szczególności z możliwości ich uczenia, a także, co sie˛ osia˛ga z pomoca˛ sieci neuronowych i jak można wykorzystywać uzyskiwane wyniki. Ogla˛d taki może być użyteczny przy podejmowaniu przez Czytelników decyzji o ewentualnym zastosowaniu sztucznych sieci neuronowych przy rozwia˛zywaniu kolejnych problemów zwia˛zanych z otolaryngologia˛, gdzie narze˛dzie to zdecydowanie jeszcze ,,nie powiedziało ostatniego słowa’’. Na czym polegaja˛ unikatowe możliwości sztucznych sieci neuronowych? Rosna˛ca popularność sztucznych sieci neuronowych w rozmaitych dziedzinach (w tym również w medycynie) wynika z faktu, że systemy te posiadaja˛ pewne wyja˛tkowe właściwości, odróżniaja˛ce ich funkcjonowanie w sposób zasadniczy od działania typowego programu komputerowego. Wykorzystuja˛c tradycyjny program, komputer potrafi jedynie bardzo szybko wykonać serie˛ kolejnych operacji przetwarzania danych, opieraja˛c sie˛ na sekwencji sprecyzowanych przez programiste˛ poleceń. Stosuja˛c te˛ metode˛, komputer może wyliczyć rozwia˛zanie dowolnie skomplikowanego zadania, pod warunkiem że twórca programu znał metode˛ tego rozwia˛zania. Typowy system komputerowy działa wie˛c według zadanego algorytmu i jest kategorycznie uzależniony od tego, czy potrafimy taki algorytm zbudować. Tymczasem sieć neuronowa jest w stanie samoczynnie odkryć zasade˛ rozwia˛zywania stawianych jej zadań, nawet jeśli sam programista tej reguły nie zna. W przeciwieństwie do tradycyjnego oprogramowania komputera, sieć neuronowa ma zdolność uczenia sie˛ na podstawie przykładów i uogólniania zdobytej wiedzy na nowe, podobne przypadki. Jak łatwo zauważyć, ten sposób uczenia sieci neuronowej jest podobny do procesu zdobywania doświadczenia przez człowieka. Szkola˛cy sie˛ lekarz w procesie swojej edukacji nie bazuje jedynie na ,,instrukcjach’’ zaczerpnie˛tych z ksia˛żek, ale stykaja˛c sie˛ z kolejnymi chorymi, uczy sie˛ podejmowania właściwych decyzji na podstawie złożonych przesłanek, niekiedy w sposób nie do końca uświadomiony. Opisane powyżej właściwości sieci neuronowych pozwalaja˛ wie˛c na ich praktyczne zastosowanie do rozwia˛zywania takich zagadnień, w przypadku których człowiek bazuje na swoim doświadczeniu i intuicji. Sieć ma także możliwość gromadzenia i uogólniania wiedzy pozyskiwanej poprzez obserwacje˛ czynności najbardziej doświadczonych lekarzy, może wie˛c służyć jako narze˛dzie do agregacji i koncentracji doświadczeń wielu najlepszych praktyków. otolaryngologia polska 66 (2012) 241–248 Przykłady wykorzystania sztucznych sieci neuronowych w otolaryngologii Wspomaganie diagnostyki klinicznej Podejmowanie decyzji diagnostycznych na podstawie badania przedmiotowego i podmiotowego oraz ewentualnie wyników badań dodatkowych wymaga na ogół ogromnej wiedzy i doświadczenia. Rzadko udaje sie˛ sformułować proste reguły, według których na podstawie danych klinicznych należy wycia˛gać ostateczne wnioski. Zwykle takie proste reguły nie istnieja˛, ponieważ istota diagnostyki lekarskiej jest z samej swojej natury bardzo skomplikowana. Dodatkowa trudność wia˛że sie˛ także z procesem werbalizacji tych reguł. Specjalista nie zawsze zdaje sobie sprawe˛ z tego, że jego przez lata wypraktykowany sposób działania opiera sie˛ na regułach, które stosuje podświadomie, czy też odwołuje sie˛ do intuicji, czy wre˛cz do geniuszu, czyli rzeczy absolutnie niedaja˛cych sie˛ sformalizować. Wielu badaczy usiłowało odpowiedzieć na pytanie, czy złożony proces intelektualny, jakiego dokonuje specjalista, stawiaja˛c rozpoznanie choroby, można przynajmniej w pewnych aspektach odtworzyć za pomoca˛ metod informatycznych. Wie˛kszość takich prób algorytmizacji, odwołuja˛cych sie˛ do reguł logiki i obliczeń numerycznych, po prostu zawiodła. Jednak ostatnio okazuje sie˛, że dzie˛ki wykorzystaniu sieci neuronowych możliwe jest stworzenie narze˛dzi skutecznie wspomagaja˛cych specjalistyczna˛ diagnostyke˛. Wskażmy kilka przykładów. W roku 2009 obje˛to ochrona˛ patentowa˛ narze˛dzie wykorzystuja˛ce sztuczne sieci neuronowe, służa˛ce do diagnozowania chorób alergicznych górnych dróg oddechowych (w szczególności schorzeń nosa i zatok przynosowych) [2]. Autor opatentowanej metody podkreśla, że ze wzgle˛du na wzrastaja˛ca˛ cze˛stość wyste˛powania schorzeń alergicznych, doste˛p do specjalistów staje sie˛ coraz trudniejszy, a czas oczekiwania na konsultacje˛ i niezbe˛dna˛ diagnostyke˛ znacza˛co sie˛ wydłuża. Dane dotycza˛ Wielkiej Brytanii, ale sa˛ powody by przypuszczać, że wspomniana prawidłowość daje sie˛ także obserwować w Polsce. Z tego wzgle˛du niezbe˛dne jest wdrożenie systemu, który pozwoliłby skrócić do minimum czas oczekiwania na wynik konsultacji oraz ograniczyć liczbe˛ wykonywanych badań. W cytowanym badaniu opracowano kilka modeli neuronowych, które sa˛ w stanie zaproponować wste˛pne rozpoznanie schorzenia na podstawie wywiadu (objawy kliniczne, czynniki wywołuja˛ce zaostrzenia choroby, zażywane leki itd.), wyników skórnych testów punktowych dla wybranych alergenów oraz poziomu specyficznych IgE. Uczenie budowanych modeli neuronowych polegało na przedstawieniu im danych kilkudziesie˛ciu pacjentów wraz z prawidłowymi rozpoznaniami postawionymi przez doświadczonego lekarza. Po zakończeniu uczenia przetestowano działanie modeli w odniesieniu do innej grupy pacjentów, cierpia˛cych na te same schorzenia. Wykazano, że wste˛pne diagnozy podawane przez sieć neuronowa˛ były zgodne z rozpoznaniami postawionymi przez specjaliste˛. Zdaniem autora, dzie˛ki zastosowaniu sieci neuronowych wste˛pna˛ diagnostyke˛ schorzeń nosa i zatok przynosowych może przeprowadzić przeszkolona piele˛gniarka. W efekcie 243 powinna obniżyć sie˛ liczba niepotrzebnych konsultacji specjalistycznych, wskutek czego lekarz specjalista be˛dzie mógł efektywniej wykorzystać swój czas i wiedze˛, zajmuja˛c sie˛ przypadkami rzeczywiście wymagaja˛cymi jego interwencji. Zastosowanie sztucznych sieci neuronowych do wspomagania diagnostyki omawia również praca Juholi i wsp. [6], w której zadaniem modelu było określenie przyczyn zawrotów głowy na podstawie objawów klinicznych. Na podstawie danych dotycza˛cych cze˛stości wyste˛powania i czasu trwania zawrotów głowy oraz czasu trwania niedosłuchu, a także przebytych urazów głowy, sieć samoczynnie dokonywała wste˛pnej klasyfikacji, w wie˛kszości przypadków prawidłowo wyróżniaja˛c grupy pacjentów cierpia˛cych z powodu łagodnych położeniowych zawrotów głowy, choroby Meniere’a, neuronitis vestibularis i nerwiaka nerwu przedsionkowego. Niestety w odniesieniu do rzadko wyste˛puja˛cych przyczyn zawrotów głowy nie uzyskano prawidłowych ich klasyfikacji ze wzgle˛du na zbyt mała˛ liczbe˛ przypadków prezentowanych sieci w trakcie jej uczenia. Interesuja˛ca˛ propozycje˛ wykorzystania sieci neuronowych w diagnostyce bezdechu sennego przedstawili el-Solh i wsp. [25]. Autorzy tej pracy stworzyli system pozwalaja˛cy przewidywać wartość wskaźnika AHI (wskaźnik bezdech/spłycenie oddechu) bez wykonywania polisomnografii, a jedynie na podstawie danych klinicznych i pomiarów antropometrycznych pacjenta. Biora˛c pod uwage˛ fakt, jak kosztowne i jak ucia˛żliwe dla pacjenta jest badanie polisomnograficzne – zastosowanie tego neuronowego modelu wydaje sie˛ bardzo interesuja˛ca˛ alternatywa˛ dla procedur diagnostycznych stosowanych obecnie. Automatyczna interpretacja sygnałów medycznych Jednym z klasycznych zadań, w których sieci neuronowe niejednokrotnie wykazywały przewage˛ nad innymi metodami, jest rozpoznawanie obrazów (lub szerzej – rozpoznawanie wzorców; pattern recognition). Cze˛sto cytowany przykład to automatyczne rozpoznawanie znaków alfanumerycznych (drukowanych lub pisanych re˛cznie liter i cyfr). Liczba prac opisuja˛cych takie właśnie zastosowanie sieci neuronowej z pewnościa˛ przekroczyła już kilka setek, a wcia˛ż przybywaja˛ nowe, bo zastosowanie to jest efektowne i łatwe do oceny, a zasoby danych potrzebnych do uczenia i egzaminowania sieci sa˛ łatwe do pozyskania lub niezbyt trudne do samodzielnego wytworzenia. Znacznie bardziej złożonym zadaniem jest rozpoznawanie ludzi na podstawie obrazów ich twarzy (na przykład dla potrzeb identyfikowania osób posiadaja˛cych określone uprawnienia w systemie komputerowym szpitala). Uproszczona˛ wersje˛ tego typu systemu stanowi sieć, której powierza sie˛ odróżnianie twarzy me˛skich od kobiecych. Mimo że człowiek radzi sobie z tym zadaniem bez najmniejszego kłopotu, sformułowanie ogólnych zasad, według których takiej klasyfikacji miałaby dokonywać maszyna, nastre˛cza ogromnych trudności. W tej sytuacji oczywiste wydaje sie˛ zastosowanie sieci neuronowych, które maja˛ zdolność samodzielnego formułowania zasad klasyfikacji na podstawie przykładów. W medycynie niezwykle cze˛sto mamy do czynienia z sytuacjami poszukiwania metody rozpoznawania 244 otolaryngologia polska 66 (2012) 241–248 i klasyfikacji wzorców, mie˛dzy innymi w celu automatycznej interpretacji różnego rodzaju sygnałów medycznych. Sygnałem, którego rozumienie (z przyczyn oczywistych dla każdego laryngologa) wymaga dużego doświadczenia i wprawy, sa˛ mie˛dzy innymi słuchowe potencjały wywołane pnia mózgu. Zasady interpretacji wyniku badania ABR trudno opisać regułami matematycznymi ze wzgle˛du na różnorodność obrazu uzyskiwanych krzywych. Liczne prace wykazuja˛ jednak, że sztuczne sieci neuronowe, które nie wymagaja˛ znajomości zasad klasyfikacji a priori, moga˛ służyć jako skuteczne narze˛dzie do automatycznej klasyfikacji tych sygnałów [7–10]. Zasadniczy problem, jaki sie˛ przy tym pojawia, polega na tym, że sieć neuronowa, oceniaja˛c przebieg sygnału ABR uzyskanego dla pewnego określonego poziomu bodźca akustycznego wywołuja˛cego badana˛ odpowiedź – jest w gorszej sytuacji niż lekarz, z którym usiłuje konkurować. Powodem tego jest fakt, że lekarz ogla˛da cała˛ sekwencje˛ zapisów ABR, zaczynaja˛cych sie˛ od bodźca akustycznego tak silnego, że zdecydowanie wywołuje on reakcje˛ pnia mózgu, aż do bodźców tak słabych, że upewnienie sie˛, iż mózg zareagował na ten sygnał, nastre˛cza dużych trudności. Na podstawie obserwacji takiej sekwencji przebiegów (a nie pojedynczego sygnału) można łatwiej ustalić, czy fala V wyste˛puje˛ w rozważanym przebiegu ABR – czy już nie. Sieć obserwuja˛ca pojedynczy przebieg ABR i podejmuja˛ca próbe˛ jego klasyfikacji napotyka w tym miejscu na znacznie wie˛ksza˛ trudność. Dlatego Izworski i wsp. [7] przedstawili koncepcje˛ kontekstowego rozpoznawania przebiegów ABR, co okazało sie˛ rozwia˛zaniem nader skutecznym. W dziedzinie audiologii sztuczne sieci neuronowe znalazły ponadto zastosowanie mie˛dzy innymi do automatycznej klasyfikacji sygnałów otoemisji akustycznych wywołanych trzaskiem (TEOEA). W badaniach tych sieć wykorzystana została do odróżniania wyników fizjologicznych od patologicznych w ramach przesiewowych badań słuchu u noworodków [4]. Z kolei Ziavra i wsp. [3] wykorzystali produkty zniekształceń nieliniowych ślimaka (DPOEA) jako podstawe˛ dla automatycznego rozpoznawania niedosłuchu pochodzenia ślimakowego. Tutaj także rola sieci polega na przypisaniu jej funkcji ucza˛cego sie˛ klasyfikatora. Próby zastosowania modeli neuronowych nie omine˛ły również westybulologii, gdzie podje˛to próbe˛ diagnozowania schorzeń układu równowagi na podstawie wyników badania posturograficznego [17]. W podobnym do opisanych powyżej celu wykorzystano modele neuronowe w diagnostyce i leczeniu bezdechu sennego. Norman i wsp. [23] opisali metode˛ rozpoznawania epizodów zapadania sie˛ dróg oddechowych podczas oddychania na podstawie analizy krzywych przepływu powietrza w czasie. Wykorzystanie sztucznej sieci neuronowej do odróżniania oddechów prawidłowych od nieprawidłowych stwarza możliwość wyeliminowania żmudnego manualnego zliczania incydentów bezdechu w czasie snu. Z kolei rozpoznawanie poprzedzaja˛cej bezdech wibracji ściany gardła, przedstawione przez Behbehaniego [24], może stanowić podstawe˛ dla automatycznej regulacji ciśnienia generowanego przez aparat CPAP. Odmiennym problemem, w którego rozwia˛zaniu znalazły także zastosowanie sztuczne sieci neuronowe, jest próba odwzorowania (na podstawie analizy akustycznej sygnału mowy) percepcyjnej oceny głosu dokonywanej przez specjaliste˛. Liczne badania wykazały, że znalezienie prostej korelacji pomie˛dzy parametrami fizycznymi opisuja˛cymi sygnał mowy a percepcyjna˛ ocena˛ jakości głosu pacjenta nastre˛cza znacznych trudności. Trudności te pojawiaja˛ sie˛ przy każdej próbie obiektywizacji oceny mowy patologicznej, ponieważ zależność mie˛dzy akustyczna˛ charakterystyka˛ sygnału a jego subiektywnym odbiorem przez słuchacza ma najprawdopodobniej wieloczynnikowy i nieliniowy charakter. Jak zaznaczono powyżej, w zagadnieniach tego rodzaju sztuczne sieci neuronowe cze˛sto wykazuja˛ przewage˛ nad innymi metodami, ponieważ neurony sa˛ z zasady nieliniowymi przetwornikami sygnałów, zaś wprowadzenie w sieci zależności wieloczynnikowych sprowadza sie˛ do tego, że sieć posiada wiele wejść, których sygnały sa˛ ze soba˛ rozmaicie kombinowane w kolejnych warstwach tych neuronów. Wychodza˛c z omówionych wyżej przesłanek, Schoenweiler i wsp. oraz Linder i wsp. [13, 14] opracowali modele służa˛ce do rozpoznawania dysfonii na podstawie analizy akustycznej sygnału mowy, cechuja˛ce sie˛ specyficznościa˛ do 93,9% i czułościa˛ do 63%. Zdaniem autorów, narze˛dzia te moga˛ znaleźć zastosowanie w badaniach przesiewowych, monitorowaniu, dokumentowaniu i wste˛pnej ocenie zaburzeń głosu, co zwie˛kszy doste˛pność diagnostyki, ograniczonej dotychczas do wysokospecjalistycznych centrów medycznych, a także dla potrzeb medycyny sa˛dowej. Badania prowadzone z wykorzystaniem sieci neuronowych w analizie mowy patologicznej moga˛ dotyczyć różnych metod rejestracji tego sygnału. Na przykład publikacja Ritchingsa i wsp. [15] omawia możliwość dokonania oceny jakości głosu w oparciu o badanie elektroglottograficzne. Również w Klinice Otolaryngologii w Krakowie w ramach działalności Studenckiego Koła Naukowego tworzono modele neuronowe z powodzeniem realizuja˛ce zadanie odróżniania mowy fizjologicznej od patologicznej na podstawie analizy akustycznej sygnału mowy [16]. Interesuja˛ce propozycje wykorzystania sieci neuronowych do klasyfikacji sygnałów biochemicznych przedstawioli Kuzmanovski i wsp. [26] (oznaczanie składu kamieni śliniankowych na podstawie spektroskopii w podczerwieni) oraz van Staveren i wsp. [21] (ocena stopnia dysplazji w śluzówce jamy ustnej w oparciu o widma autofluorescencji tkankowej). Sieci neuronowe daja˛ także nowe możliwości wspomagania terapii. Przykładem jest wykorzystanie sieci neuronowych w protezowaniu słuchu, co przedstawili Arsten i wsp. [5]. Autorzy zaproponowali metode˛ automatycznego wste˛pnego doboru aparatu słuchowego bazuja˛ca˛ na kształcie krzywej audiometrycznej. Urza˛dzeniem wspomagaja˛cym w tym przypadku prace˛ terapeuty i protetyka była właśnie sieć neuronowa traktowana jako system doradczy. Prognozowanie przebiegu choroby i wyników leczenia Odre˛bna˛ grupa˛ zadań, gdzie sieci neuronowe wielokrotnie wykazały swoja˛ użyteczność, jest przewidywanie przyszłych wydarzeń na podstawie faktów z przeszłości. Jak sie˛ okazuje, modele neuronowe moga˛ znajdować zastosowanie nie tylko w przewidywaniu pogody, kursów giełdowych lub zapotrzebowania miasta na energie˛ elektryczna˛, ale również w prognozowaniu przebiegu choroby i wyników leczenia. otolaryngologia polska 66 (2012) 241–248 Badania dotycza˛ce zastosowań sieci neuronowych do prognozowania przeżycia najcze˛ściej dotycza˛ chorób nowotworowych. Przewaga sztucznej inteligencji nad klasycznymi metodami statystycznymi, takimi jak model proporcjonalnego hazardu Coxa lub regresja logistyczna, jest wcia˛ż kwestia˛ dyskusyjna˛. W pracy Jonesa i wsp. [18], dotycza˛cej predykcji przeżycia w grupie chorych z rakiem płaskonabłonkowym krtani, dokonano porównania wyników uzyskanych przez sztuczne sieci neuronowe z modelem Coxa i wykresem Kaplana-Meiera. Przewidywania oparto na danych dotycza˛cych: wieku i płci pacjentów, ich sprawności w skali ECOG, lokalizacji guza, jego cech histopatologicznych i stopnia zaawansowania klinicznego choroby. Wykazano, że model neuronowy może zapewniać wyniki jakościowo podobne do tradycyjnych metod statystycznych, jednak w przewidywaniu przeżycia wykazuje wie˛ksza˛ wrażliwość na różnice wieku chorych i stopień zaawansowania we˛złowego nowotworu. Porównania skuteczności sztucznych sieci neuronowych z regresja˛ logistyczna˛ dokonali z kolei Bryce i wsp. [19]. Praca ich dotyczyła przewidywania przeżycia 2-letniego pacjentów z zaawansowanymi nowotworami głowy i szyi, leczonych radioterapia˛ lub radiochemioterapia˛. Celem pracy było opracowanie metody pozwalaja˛cej już przed rozpocze˛ciem leczenia zidentyfikować pacjentów, u których sama tylko radioterapia nie daje szans przeżycia i wskazane jest dodatkowe zastosowanie chemioterapii. Klasyfikacji dokonano w oparciu o kilkanaście cech klinicznych, w tym: lokalizacje˛ i zaawansowanie nowotworu, wiek i płeć pacjenta, jego stan ogólny, choroby towarzysza˛ce i dane dotycza˛ce morfologii krwi. Badania wykazały, że w analizowanym przypadku sztuczne sieci neuronowe trafniej przewiduja˛ przeżycie niż regresja logistyczna. Podobne zagadnienie omawia praca [20], w której sztuczna˛ sieć neuronowa˛ wykorzystano do przewidywania tolerancji chemioradioterapii u chorych z nowotworami głowy i szyi. Przewage˛ modeli neuronowych nad regresja˛ logistyczna˛ w prognozowaniu przebiegu choroby nowotworowej wykazano również w pracy Dobrosia i wsp. [22], w której przewidywano obecność przerzutów raka krtani do we˛złów chłonnych, uzyskuja˛c 96% poprawnych predykcji. W Klinice Otolaryngologii UJ CM w Krakowie prowadzone sa˛ obecnie prace maja˛ce na celu stworzenie modeli neuronowych prognozuja˛cych poprawe˛ słuchu po leczeniu operacyjnym chorych z przewlekłym zapaleniem ucha środkowego [12]. układzie nerwowym podstawowym elementem przetwarzaja˛cym informacje jest komórka nerwowa. Biologiczny neuron otrzymuje sygnały wejściowe poprzez dendryty od innych komórek nerwowych ba˛dź od receptorów. Sygnały te sa˛ modyfikowane na poziomie synaps, które moga˛ mieć charakter pobudzaja˛cy lub hamuja˛cy. Zmodyfikowane przez synapsy sygnały sumuja˛ sie˛ i pod ich wpływem neuron generuje sygnał wyjściowy, przekazywany aksonem do kolejnych elementów układu nerwowego lub do efektorów. Ta oczywista dla każdego lekarza, prosta zasada działania ,,naturalnej’’ sieci neuronowej, znajduje swoje odzwierciedlenie w sztucznej sieci neuronowej, stanowia˛cej bardzo uproszczony model układu nerwowego. Podstawowe elementy modelu, jakim jest sieć neuronowa – tzw. sztuczne neurony – odbieraja˛ sygnały wejściowe, które naste˛pnie na poziomie sztucznych synaps ulegaja˛ modyfikacji (poprzez przemnożenie wartości tych sygnałów przez odpowiednie współczynniki, tzw. wagi). Zmodyfikowane w ten sposób sygnały wejściowe sumuja˛ sie˛, a naste˛pnie wewna˛trz neuronu podlegaja˛ kolejnym przekształceniom matematycznym. Ostatecznie sztuczny neuron generuje sygnał wyjściowy (Ryc. 2). W obre˛bie sieci neurony najcze˛ściej ułożone sa˛ w warstwy. Zadaniem pierwszej z nich – warstwy wejściowej – jest wprowadzenie sygnałów wejściowych do sieci. Jest to zazwyczaj zestaw liczb lub danych jakościowych (takich jak na przykład płeć pacjenta albo lokalizacja guza) podawanych przez użytkownika, charakteryzuja˛cych zadawane sieci ,,pytanie’’. Funkcje˛ neuronu warstwy wejściowej można porównać z komórka˛ nerwowa˛ odbieraja˛ca˛ sygnał bezpośrednio z receptora, taka˛ jak na przykład I neuron drogi słuchowej. Kolejne warstwy – tzw. warstwy ukryte – maja˛ za zadanie przetwarzanie danych. W biologicznym układzie nerwowym (np. w obre˛bie drogi słuchowej) komórek kolejno przetwarzaja˛cych sygnał jest bardzo wiele, podczas gdy w znacznie prostszej sztucznej sieci neuronowej na ogół [(Ryc._2)TD$FIG] Jak działa sztuczna sieć neuronowa? Podane powyżej przykłady ilustruja˛ szeroki zakres zastosowań, w których sieci neuronowe okazuja˛ sie˛ równie skuteczne lub skuteczniejsze niż dotychczas wykorzystywane narze˛dzia matematyczne i informatyczne. Omówione przykłady dowodza˛, że najistotniejszymi cechami wyróżniaja˛cymi sieci neuronowe jest ich zdolność do uczenia sie˛, a także do modelowania złożonych zjawisk i wielowymiarowych zależności. Poniżej wyjaśnimy pokrótce, w jaki sposób powyższe zdolności sa˛ osia˛gane. Sztuczna sieć neuronowa jest systemem informatycznym przetwarzaja˛cym dane w podobny sposób, jak układ nerwowy człowieka lub zwierze˛cia [27]. W naturalnym (biologicznym) 245 Ryc. 2 – Porównanie sztucznego neuronu z neuronem biologicznym Fig. 2 – The comparison of biological and artificial neuron 246 otolaryngologia polska 66 (2012) 241–248 wykorzystuje sie˛ jedna˛, rzadziej dwie tak zwane warstwy ukryte. Nazwa tych warstw bierze sie˛ sta˛d, że pracy neuronów ulokowanych w tych warstwach nie widać z zewna˛trz – ani od strony wejścia do sieci, ani od jej wyjścia. Ostatnia warstwa – wyjściowa – to neurony generuja˛ce (w postaci liczbowej) ,,odpowiedź’’ sieci. Na czym polega uczenie sieci neuronowej? Najcze˛ściej wykorzystywana˛ forma˛ trenowania sieci neuronowej jest tzw. ,,uczenie z nauczycielem’’. Metode˛ te˛ wykorzystano w wie˛kszości cytowanych powyżej prac. Zilustrujemy ja˛ na przykładzie publikacji dotycza˛cej przesiewowych badań słuchu u noworodków [4]. W pierwszym etapie tworzenia modeli neuronowych zaprezentowano sieci wyniki testów (TEOEA) około tysia˛ca noworodków oraz ich klasyfikacje˛ dokonana˛ przez eksperta. Proces uczenia polegał na stopniowym dokonywaniu takich zmian wag w ,,synapsach’’ sieci, aby w efekcie uzyskać odpowiedzi zgodne z diagnozami stawianymi przez specjaliste˛. W drugim etapie przetestowano działanie wytrenowanej sieci w odniesieniu do innej grupy, również licza˛cej około 1000 noworodków, i porównano odpowiedzi sieci z ocena˛ eksperta. W ten sposób potwierdzono, że sieć nie tylko dopasowała sie˛ do zbioru ucza˛cego, ale również posiada zdolność do generalizacji zdobytej wiedzy (tj. potrafi uzyskiwać prawidłowe rozwia˛zania dla nowych przypadków, których nie ,,widziała’’ w trakcie procesu uczenia). Swoistość uzyskanych modeli diagnostycznych sie˛gała aż 99,4%, natomiast czułość 87,3%. Nieco rzadziej w zastosowaniach medycznych wykorzystywana jest metoda ,,uczenia bez nauczyciela’’, gdzie sieć neuronowa nie dysponuje w ogóle prawidłowymi rozwia˛zaniami zadanego problemu, ale samoczynnie dopasowuje swoje parametry do struktury danych, dokonuja˛c w ten sposób ich klasyfikacji. Przykłady takiego zastosowania sieci w odniesieniu do pacjentów z otoskleroza˛ można znaleźć w publikacji dotycza˛cej badań przeprowadzonych na Uniwersytecie Medycznym w Łodzi [11], natomiast do klasyfikacji danych otoneurologicznych w omówionej wcześniej pracy [6]. Jak wykorzystac´ sztuczne sieci neuronowe w pracy klinicznej lub badawczej? Obecnie na rynku doste˛pne sa˛ programy komputerowe pozwalaja˛ce korzystać ze sztucznych sieci neuronowych nie tylko osobom maja˛cym wykształcenie informatyczne, ale również specjalistom z innych dziedzin (w tym także lekarzom). Podstawowa˛ wiedze˛ na ten temat można uzyskać zarówno z materiałów szkoleniowych dostarczanych przez twórców oprogramowania, jak i z podre˛czników adresowanych do osób nie maja˛cych wykształcenia informatycznego [28]. Przed przysta˛pieniem do pracy z sieciami neuronowymi warto jednak rozważyć, czy sa˛ one odpowiednim narze˛dziem do rozwia˛zania analizowanego problemu badawczego. W przypadku zagadnień, gdzie charakter zależności mie˛dzy danymi wejściowymi i wyjściowymi jest znany i daje sie˛ łatwo opisać matematycznie, nie należy oczekiwać przewagi modeli neuronowych nad innymi metodami. Sieci neuronowe moga˛ zapewnić dobra˛ zgodność zachowania neuronowego modelu i modelowanego zjawiska (co może być podstawa˛ diagnozy albo prognozy), ale to w najmniejszym stopniu nie ułatwia zrozumienia natury modelowanego zjawiska. Przeciwnie, ze wzgle˛du na złożoność procesu przetwarzania danych w obre˛bie sieci w zasadzie nie ma możliwości jednoznacznego wnioskowania na temat wpływu poszczególnych danych wejściowych na ostateczna˛ odpowiedź sieci. Nieuzasadnione byłoby na przykład wnioskowanie, że poziom hemoglobiny wpływa na przeżycie 2-letnie pacjentów z nowotworami głowy i szyi wyła˛cznie na podstawie faktu wykorzystania tej właśnie zmiennej przez prawidłowo funkcjonuja˛cy neuronowy model prognostyczny [19]. Modele neuronowe nie moga˛ zatem służyć do analizowania czy wyjaśniania charakteru obserwowanych zależności, a to oznacza, że ich stosowanie wzbogaca możliwości praktycznych działań, ale nie wzbogaca wiedzy. Korzystanie z sieci neuronowych wymaga odpowiedniego formułowania problemów, które chcemy za ich pomoca˛ rozwia˛zać. W szczególności trzeba dokładnie zdefiniować, co w rozważanym problemie można uznać za dane wejściowe oraz czym sa˛ oczekiwane od sieci dane wyjściowe (niosa˛ce rozwia˛zanie sformułowanego problemu). Zadania stawiane sieci neuronowej należy ponadto odpowiednio zakodować, tj. przedstawić wszystkie dane w formie liczbowej, tak aby mogły być wykorzystane jako sygnały wejściowe. Zmienne ilościowe (takie jak wiek, rozmiar guza w cm) sa˛ a priori wyrażone liczbowo [19], w niektórych przypadkach wskazana jest jedynie ich normalizacja. Każda z takich zmiennych wymaga jednego neuronu wejściowego. Również zmienne przyjmuja˛ce tylko jedna˛ z dwóch możliwych wartości można w prosty sposób przedstawić w sposób liczbowy (np. płeć: 1 – kobieta, 0 – me˛żczyzna; wiek: 1 – powyżej 60 lat, 0 – poniżej 60 lat itp. [18]). Zmienne jakościowe przyjmuja˛ce wie˛cej wartości należy zakodować metoda˛ 1 z N, wykorzystuja˛c wie˛ksza˛ liczbe˛ neuronów wejściowych dla jednej zmiennej. Na przykład dla określenia lokalizacji guza krtani potrzebne moga˛ być 3 neurony, z których każdy odpowiada jednej lokalizacji. Przykładowo dla raka nadgłośni kodowanie przewiduje naste˛puja˛ce rozłożenie sygnałów na tych trzech neuronach: 1 – na neuronie pierwszym, 0 – na neuronie drugim, 0 – na neuronie trzecim. Podobnie dla raka głośni odpowiedni kod [(Ryc._3)TD$FIG] wygla˛da tak: 0-1-0, a dla raka podgłośni 0-0-1 (Ryc. 3). Ryc. 3 – Przykład sztucznej sieci neuronowej Fig. 3 – An example of an artificial neural network otolaryngologia polska 66 (2012) 241–248 W podobny sposób należy zakodować oczekiwana˛ odpowiedź sieci. W tym wypadku użytkownik musi wybrać jedna˛ z dwóch opcji. Sieć neuronowa może dostarczać odpowiedzi o charakterze pewnej decyzji, na przykład może sygnalizować, czy dany przypadek należy do pewnej klasy. Przykładem może tu być naste˛puja˛ce kodowanie: 0 – pacjent nie uzyskał zadowalaja˛cej poprawy słuchu po operacji, 1 – pacjent uzyskał zadowalaja˛ca˛ poprawe˛ słuchu [12]. Przy takim postawieniu zadania mamy do czynienia z tzw. siecia˛ klasyfikacyjna˛. Jeżeli natomiast sieć ma dostarczać odpowiedzi w postaci konkretnej liczby (np. jaka be˛dzie wartość rezerwy ślimakowej po operacji), nazywa sie˛ ja˛ siecia˛ regresyjna˛. Kwestia˛ wymagaja˛ca˛ dużej uwagi i doświadczenia jest właściwy wybór zmiennych wejściowych. Im jest ich wie˛cej, tym wie˛ksza liczba przypadków ucza˛cych jest wymagana, aby prawidłowo wytrenować sieć. Szacuje sie˛, że zbiór ucza˛cy powinien zawierać liczbe˛ przypadków kilkukrotnie przekraczaja˛ca˛ liczbe˛ poła˛czeń w sieci, a liczba poła˛czeń rośnie z kwadratem liczby zmiennych wejściowych, ponieważ poła˛czenia wewna˛trz sieci realizowane sa˛ na zasadzie ,,każdy z każdym’’. Oznacza to, że podwojenie liczby zmiennych wejściowych be˛dzie wymagało cztery razy liczniejszego zbioru ucza˛cego, a trzykrotnie wie˛cej zmiennych wejściowych spowoduje zapotrzebowanie na dziewie˛ciokrotnie liczniejszy zbiór ucza˛cy. Przykład bardzo dużej sieci można znaleźć w pracy van Staverena i wsp. [21], gdzie widmo autofluorescencji tkankowej zakodowano, wykorzystuja˛c 175 neuronów wejściowych, a cała sieć zawierała 50 000 poła˛czeń. Autorzy przyznaja˛, że właściwa liczba widm niezbe˛dnych do wyszkolenia sieci powinna wynosić około 500 000, podczas gdy w badaniach dysponowano zbiorem jedynie. . . 28 przypadków. Z kolei skutecznie działaja˛ce, obje˛te ochrona˛ patentowa˛ modele neuronowe do diagnozowania schorzeń górnych dróg oddechowych [2] funkcjonuja˛ w oparciu o zaledwie 9 starannie wyselekcjonowanych zmiennych wejściowych. Niemniej istotne jest właściwe wyselekcjonowanie zbioru przypadków ucza˛cych oraz zbioru testowego. Obydwie grupy powinny być reprezentatywne dla całej populacji. Cze˛sto zdarza sie˛, że sieć neuronowa doskonale radzi sobie ze znajdowaniem prawidłowych rozwia˛zań dla zbioru ucza˛cego, jednak jej odpowiedzi dla nowych przypadków sa˛ zupełnie niezadowalaja˛ce. Oznacza to, że sieć nie nabyła zdolności do generalizacji wiedzy nabytej w procesie uczenia. Z tego wzgle˛du, raportuja˛c wyniki uzyskiwane przez sieć (na przykład czułość i swoistość diagnozy), należy podawać wyła˛cznie dane uzyskane dla zbioru testowego [29]. Podsumowanie Sztuczne sieci neuronowe sa˛ skutecznymi narze˛dziami, pozwalaja˛cymi odwzorować złożone zależności pomie˛dzy starannie wybranymi przyczynami i dobrze zdefiniowanymi skutkami. Ich popularność w cia˛gu ostatnich lat wzrosła tak bardzo, że obecnie trudno jest znaleźć dziedzine˛, w której nie próbowano jeszcze wykorzystać ich możliwości. W otolaryngologii pozwalaja˛ one mie˛dzy innymi na zautomatyzowanie pewnych aspektów diagnostyki, których przeprowadzenie przez człowieka jest żmudne lub wymaga znacznego doświad- 247 czenia. Narze˛dzia te również wspomagaja˛ terapie˛, a także umożliwiaja˛ przewidywanie wyników leczenia. Modele prognozuja˛ce efekty terapii daja˛ szanse˛ jej optymalizacji, gdyż dzie˛ki możliwości przewidywania z wyprzedzeniem skutków podje˛tych działań leczniczych można wybrać ten wariant poste˛powania leczniczego, który gwarantuje najlepszy skutek. Zastosowanie sieci neuronowych jest łatwe, ponieważ obecnie oprogramowanie pozwalaja˛ce korzystać ze sztucznych sieci neuronowych jest doste˛pne dla każdego badacza i klinicysty zarówno w postaci pakietów firmowych, jak i łatwo doste˛pnych programów możliwych do pozyskania za darmo z Internetu (na przykład ze strony http://home.agh.edu.pl/ tad). Co wie˛cej, obszerne piśmiennictwo dotycza˛ce tej dziedziny może stać sie˛ inspiracja˛ dla ich nowych użytecznych zastosowań klinicznych. Wkład autorów/Authors’ contributions Według kolejności. Konflikt interesu/Conflict of interest Nie wyste˛puje. p i ś m i e n n i c t w o / r e f e r e n c e s [1] Rutkowski L, Siekmann J, Tadeusiewicz R, Zadeh LA, editors. Artificial Intelligence and Soft Computing Lecture Notes in Artificial Intelligence, Vol. 3070. Berlin–Heidelberg– New York: Springer-Verlag; 2004. [2] Williams PE. Method and Apparatus for Diagnosing an Allergy of the Upper Respiratory Tract Using a Neural Network. PCT/GB2008/002383(15.01.2009). [3] Ziavra N, Kastanioudakis I, Trikalinos TA, Skevas A, Ioannidis JPA. Diagnosis of sensorineuronal hearing loss with neural networks versus logistic regression modeling of distortion product otoacoustic emissions. Audiol Neurootol 2004;9:81–87. [4] Buller G, Lutman ME. Automatic classification of transiently evoked otoacoustic emissions using an artificial neural network. Br J Audiol 1998;32(Aug (4)):235–247. [5] Arnsten O, Koren H, Strom T. Hearing-aid preselection through a neural network. Scand Audiol 1996;25(4):259–262. [6] Juhola M, Laurikkala J, Viikki K, Kentala E, Pyykko I. Classification of patients on the basis of otoneurological data by using Kohonen networks. Acta Otolaryngol Suppl 2001;545:50–52. [7] Izworski A, Tadeusiewicz R, Pasławski A. The Utilization of Context Signals in the Analysis of ABR Potentials by Application of Neural Networks. In: Lopez de Mantras R, Plaza E, editors. Machine Learning ECML 2000, Lecture Notes in Computer Science, (Lecture Notes in Artificial Intelligence), nr 1810. Berlin–Heidelberg–New York: Springer Verlag; 2000. p. 195–202. [8] Izworski A, Tadeusiewicz R, Pasławski A. Processing and Classification of Auditory Brainstem Response Signals. In: Mastorakis N, editor. Advances in Neural Networks and Applications. WSEAS Press; 2001. ISBN 960-8052-26-2, p. 189–194. [9] Strzelczyk P, Wochlik I, Tadeusiewicz R, Izworski A, Bułka J. Telemedical System in Evaluation of Auditory Brainstem 248 [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] otolaryngologia polska 66 (2012) 241–248 Responses and Support of Diagnosis. In: Nguyen NT, Le MT, Swiatek J, editors. Intelligent Information and Database Systems, Part 2. Berlin, Heidelberg, New York: Springer Verlag, LNAI 5990; 2010. p. 21–28. Davey R, McCullagh P, Lightbody G, McAllister G. Auditory brainstem response classification: A hybrid model using time and frequency features. Artif Intell in Med 2007;40:1–14. Kaczmarczyk D, Durko M, Kruk A. Przykładowe zastosowanie sztucznej sieci neuronowej Kohonena w otolaryngologii. Pol Merkur Lekarski 2005;19(111):383–387. Szaleniec J, Wiatr M, Szaleniec M, Składzień J, Tomik J, Stre˛k P, Tadeusiewicz R, Przeklasa R. Przydatność sieci neuronowych w prognozowaniu pooperacyjnej poprawy słuchu u chorych z przewlekłym zapaleniem ucha środkowego. Przegla˛d Lekarski 2009;66(11):924–929. Schoenweiler R, Hess M, Wuebbelt P, Ptok M. Novel approach to acoustical voice analysis using artificial neural networks. Journal of the Association for Reaserch in Otolaryngology 2000;01:270–282. Linder R, Albers AE, Hess M, Poeppl SJ, Schoenweiler R. Artificial neural network-based classification to screen for dysphonia using psychoacoustic scaling of acoustic voice features. J Voice 2006;22(2):155–163. Ritchings RT, McGillion M, Moore CJ. Pathological voice quality assesment using artificial neural networks. Medical Engineering and Physics 2002;24:561–564. Szaleniec J. Zastosowanie sieci neuronowych w różnicowaniu mowy patologicznej od fizjologicznej. Przegla˛d Lekarski 2005;62(Suppl). Krafczyk S, Tietze S, Swoboda W, Valkovic P, Brandt T. Artificial neural network: A new diagnostic posturographic tool for disorders of stance. Clinical Neurophysiology 2006;117:1692–1698. Jones AS, Taktak AGF, Helliwell TR, Fenton JE, Birchall MA, Husband DJ, Fisher AC. An artificial neural network improves prediction of observed survival in patients with laryngeal squamous carcinoma. Eur Arch Otorhinolaryngol 2006;263:541–547. Bryce TJ, Dewhirst MW, Floyd CE, Hars V, Brizel D. Artificial neural network model of survival in patients treated with [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] irradiation with and without concurrent chemotherapy for advanced carcinoma of the head and neck. Int J Radiation Oncology Biol Phys 1998;41(2):339–345. Drago GP, Setti E, Licitra L, Liberati D. Forecasting the performance status of head and neck cancer patient treatment by an interval arithmetic pruned perceptron. IEEE Trans Biomed Eng 2002;49(8):782–787. van Staveren HJ, van Veen RLP, Speelman OC, Witjes MJH, Star WM, Roodenburg JLN. Classification of clinical auto fluorescence spectra of oral leukoplakia using an artificial neural network: a pilot study. Oral Oncology 2000;36: 286–293. Dobroś W, Izworski A, Gil K, Lech T. Skuteczność sztucznych sieci neuronowych w przewidywaniu przerzutów do regionalnych we˛złów chłonnych. Otolaryngol Pol 2001;55(1):43–45. Norman RG, Rapoport DM, Ayappa I. Detection of flow limitation in obstructive sleep apnea with an artificial neural network. Physiol Meas 2887; 28: 1089–1100. Behbehani K, Lopez F, Yen FC, Lucas EA, Burk JR, Axe JP, Kamangar F. Pharyngeal wall vibration detection using an artificial neural network. Med Biol Eng Comput 1997;35: 193–198. el-Solh AA, Mador MJ, Ten-Brock E, Schucard DW, Abul-Khoudoud M, Grant BJ. Validity of neural network in sleep apnea. Sleep 1999;22(1):105–111. Kuzmanovski I, Ristova M, Soptrajanov B, Stefov V, Popovski V. Determination of the composition of sialoliths composed of carbonate apatite and albumin using artificial neural networks. Talanta 2004;62:813–817. Tadeusiewicz R. Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza; 1995. Tadeusiewicz R, Ga˛ciarz T, Borowik B, Leper B. Odkrywanie właściwości sieci neuronowych przy użyciu programów w je˛zyku C#, Wydawnictwo Polskiej Akademii Umieje˛tności, Kraków 2007. Dreiseitl S, Ohno-Machado L. Logistic regression and artificial naural network classification models: a methodology review. J Biomed Inform 2002;35:352–359.